基于特征增强的声呐图像目标检测研究.pdfVIP

基于特征增强的声呐图像目标检测研究

摘要

随着深度学习在光学图像目标检测方面的长足发展，声学图像目标检测同样受到了

极大的关注和发展，尤其是在深海和远海的探索中，对水下目标物的精细化探测提出了

更为迫切的需求。侧扫声呐因其感知范围广、探测精度高而被广泛应用于水下目标物探

测。因此，本文主要研究侧扫声呐图像的目标检测。现有的目标检测方法大部分针对无

噪声、数据集较大的光学图像，而在存在复杂噪声、数据集较小、图像分辨率低的声呐

图像数据集上表现性能较差。具体而言，本文通过以下三个方面的工作来改善声呐图像

目标检测：

针对声呐图像数据集样本量少不足以支撑深度神经网络学习的问题，提出一种面向

小样本数据的深度迁移学习声呐图像目标检测方法。通过利用已有的知识和特征表示，

迁移学习可以提供更好的初始模型，并在新任务上实现更好的性能。本文使用基于微调

的迁移学习方法，通过在大规模数据集上训练初始权重，并将预训练模型应用到声呐图

像数据集的训练中。

针对声呐图像噪声影响目标检测精度的问题，提出一种基于小样本的自监督声呐图

像去噪方法。在U-Net网络模型基础上，通过添加BN层以及使用LeakyReLU函数提

高网络在小样本的泛化能力。结合相邻子采样器以及损失函数，在不需要干净图片的前

提下，去除声呐图像噪声的同时能够更好地保留图像细节，提高声呐图像目标检测精度。

针对声呐图像中的细节和边缘信息模糊不清，使得目标的形状和结构难以准确地识

别和定位的问题。本文提出一种基于特征增强的声呐图像目标检测方法。首先，在

YOLOv5模型的基础上，通过结合上下文引导块改进原C3模块使得目标检测网络能够

增强提取到的语义信息，从而提高物体检测和识别的准确性。其次本文通过引入基于局

部注意力机制的特征融合模块改进检测头部分，通过多层次特征融合，提高网络对小目

标物体定位和检测能力。

关键词：声呐图像；目标检测；特征增强；图像去噪

基于特征增强的声呐图像目标检测研究

Abstract

Withtherapiddevelopmentofdeeplearninginopticalimagetargetdetection,acoustic

imagetargetdetectionhasalsoreceivedgreatattentionanddevelopment.Especiallyinthe

explorationofdeepseaandopensea,morerefineddetectionofunderwatertargetshasbeen

proposed.forurgentneeds.Sidescansonariswidelyusedinunderwatertargetdetectiondue

toitswidesensingrangeandhighdetectionaccuracy.Therefore,thispapermainlystudies

targetdetectioninsidescansonarimages.Mostoftheexistingtargetdetectionmethodsare

aimedatnoise-freeopticalimageswithlargedatasets,buttheirperformanceispooronsonar

imagedatasetswithcomplexnoise,smalldatasets,andlowimageresolution.Specifically,this

articleimprovestargetdetectioninsonarimagesthroughthefollowingthreeaspects:

Aimingattheproblemthatthesamplesizeofthesonarimagedatasetisto